Hybrid Music Recommendation System Based on Temporal Effects

Shah, Foram; Desai, Madhavi B.; Pati, Supriya; Mistry, Vipul H.

doi:10.1007/978-981-15-1084-7_55

Cited by 4 publications

(7 citation statements)

References 10 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…El objetivo principal de los sistemas recomendadores musicales (MRS) consiste en facilitar a los usuarios oyentes la búsqueda y el descubrimiento de nuevas canciones que sean de su interés. La efectividad de los procesos de recomendación se mide en función del nivel de aceptación (likes/dislikes) expresado por el usuario oyente en relación a la canción recomendada [48] [49] [50]. Este tipo de aplicaciones permite a un usuario expandir fácilmente su conocimiento sobre nuevas piezas musicales, como también permite a los productores y músicos darse a conocer, y aprovechar la retroalimentación (feedback) recibida por parte de los oyentes.…”

Section: Sistemas Recomendadores Musicalesunclassified

“…■ Contexto de usuario (UC): UC incluye cualquier información que pueda utilizarse para caracterizar el contexto del usuario; esta información puede obtenerse de diferentes fuentes (información personal, información de los sensores, información de la actividad del usuario) [48].…”

Section: Sistemas Recomendadores Musicalesunclassified

“…En estos casos, se trata de una estrategia de filtrado híbrida y no puramente de metadatos. Aunque todavía existen implementaciones de CF en trabajos recientes [48], [111], [112], [61], todos ellos implican estrategias adicionales, en este sentido, estos trabajos implementan una estrategia de filtrado híbrido.…”

Section: Sistemas Recomendadores Musicalesunclassified

“…Resulta muy interesante notar que los trabajos más recientes [48], [53], [110], [111] exploran estrategias de enfoque personalizado, filtrado basado en emociones, filtrado basado en el contenido, y contexto del usuario. Se evidencia una tendencia de implementar un enfoque personalizado para mejorar los MRS, que suele basarse en técnicas de machine learning, ya que permite diseñar estrategias más dinámicas para generar recomendaciones a través de un proceso de aprendizaje.…”

Section: Sistemas Recomendadores Musicalesunclassified

“…■ Filtrado colaborativo (CF): El CF genera predicciones automáticas según los intereses de un usuario mediante la recopilación de información sobre las preferencias de un amplio conjunto de usuarios, en la mayoría de los casos procedentes de las redes sociales[48].■ Filtrado demográfico (DF): El DF se basa en la clasificación de los perfiles de los usuarios por criterios como la edad, el estado civil, el sexo, etc[56].■ Filtrado basado en contenido (CBF): El CBF recomienda canciones en función de sus características internas, que pueden ser de bajo nivel (características de sonido a nivel de señal) o de alto nivel (características musicales). Es necesario que exista una relación entre los valores de estas características y el grado de aceptación por parte de la percepción del usuario[53].■ Filtrado híbrido (HF): HF funciona combinando los distintos tipos de filtrado.…”

unclassified

See 4 more Smart Citations

Desarrollo de un modelo de elicitación de emociones a partir de las características de la música

Ospitia Medina

View full text Add to dashboard Cite

La computación afectiva, como área de investigación, ha logrado un importante desarrollo en los últimos años. Las actuales investigaciones han demostrado su utilidad, permitiendo medir la intensidad de las emociones a través de la tecnología, y con estos resultados implementar acciones que permitan crear beneficios para la humanidad en diferentes contextos. Uno de estos casos particulares, apuntan al estudio de la música y su relación con las emociones. Esta Tesis tiene como objetivo general el diseño de un sistema recomendador musical basado en emociones. Para abordar este objetivo se analizan las diferentes disciplinas científicas involucradas en el reconocimiento de emociones en la música. Primero, se lleva a cabo un estudio de conceptos relevantes tanto vinculados al área de identificación de emociones, con técnicas propias de computación afectiva, como en relación a las técnicas para el diseño de sistemas de predicción y de clasificación basados en machine learning. Al mismo tiempo, se identifican características intrínsecas y extrínsecas de piezas musicales. Se lleva adelante un proceso de revisión de la literatura sobre librerías de alto nivel, dataset musicales y trabajos en relación con sistemas de predicción, clasificación, y de recomendación de música. Asimismo, se revisan antecedentes en relación a sesgos que pueden intervenir en el proceso de recomendación de piezas musicales. Así, se identifica la importancia de diseñar un nuevo dataset musical, con algunas características novedosas, como lo son la inclusión de obras completas y originales de artistas noveles, y el etiquetado emocional sobre la variación temporal de la canción en relación con la estructura musical, para ello se utilizan series temporales. El desarrollo y diseño de este dataset, denominado ENSA (Emotional Non-Superstar Artist-Dataset), constituye uno de los aportes fundamentales de la Tesis. Posteriormente, se diseña un sistema recomendador híbrido, basado en el filtrado emocional, filtrado basado en contenido, y filtrado basado en similaridad. La propuesta hace uso de un modelo de machine learning para el reconocimiento de emociones a través de un sistema de etiquetado dimensional de valence y arousal. El nuevo dataset y las estrategias de agrupamiento por similaridad implementadas por el sistema recomendador, como otras medidas adicionales que se detallan en el desarrollo de esta Tesis, también permite dar un tratamiento al efecto de la popularidad, que generalmente aparece a través de un sesgo preexistente, que no solo afecta a oyentes, sino que también tiene un alto impacto en los artistas y sus posibilidades de desarrollo en la industria de la música. Estos últimos aportes se alinean con los objetivos propuestos en la Tesis y que se han alcanzado en su totalidad. En cuanto al trabajo futuro, se resalta la importancia de continuar profundizando en las siguientes tres líneas: el dataset ENSA, el sistema recomendador, y el estudio de sesgos. Con respecto al dataset, es importante seguir avanzando en la inclusión de nuevas canciones, como también en la definición e inclusión de nuevas etiquetas que permitan llevar a cabo experimentos novedosos. En cuanto al sistema recomendador, se propone extender su funcionalidad incluyendo otras partes de la estructura musical (coro, puentes, solos) en las estrategias de recomendación. Y, finalmente, en relación a los sesgos, se propone identificar y analizar la aparición de nuevos sesgos (aquellos que clasifican como emergentes), y tanto desde el dataset ENSA, como desde las estrategias de recomendación, proponer nuevos tratamientos que permitan mitigar sus efectos.

show abstract

Section: Sistemas Recomendadores Musicalesunclassified

unclassified

See 3 more Smart Citations

Desarrollo de un modelo de elicitación de emociones a partir de las características de la música

Ospitia Medina

View full text Add to dashboard Cite

show abstract

Improving Collaborative Filtering Using JMSD on Implicit Feedback

Arora

Bindra

Chand

et al. 2021

Hybrid Intelligent Systems

View full text Add to dashboard Cite

ENSA dataset: a dataset of songs by non-superstar artists tested with an emotional analysis based on time-series

Ospitia-Medina

Beltrán

Baldassarri

2023

Pers Ubiquit Comput

View full text Add to dashboard Cite

This paper presents a novel dataset of songs by non-superstar artists in which a set of musical data is collected, identifying for each song its musical structure, and the emotional perception of the artist through a categorical emotional labeling process. The generation of this preliminary dataset is motivated by the existence of biases that have been detected in the analysis of the most used datasets in the field of emotion-based music recommendation. This new dataset contains 234 min of audio and 60 complete and labeled songs. In addition, an emotional analysis is carried out based on the representation of dynamic emotional perception through a time-series approach, in which the similarity values generated by the dynamic time warping (DTW) algorithm are analyzed and then used to implement a clustering process with the K-means algorithm. In the same way, clustering is also implemented with a Uniform Manifold Approximation and Projection (UMAP) technique, which is a manifold learning and dimension reduction algorithm. The algorithm HDBSCAN is applied for determining the optimal number of clusters. The results obtained from the different clustering strategies are compared and, in a preliminary analysis, a significant consistency is found between them. With the findings and experimental results obtained, a discussion is presented highlighting the importance of working with complete songs, preferably with a well-defined musical structure, considering the emotional variation that characterizes a song during the listening experience, in which the intensity of the emotion usually changes between verse, bridge, and chorus.

show abstract

Hybrid Music Recommendation System Based on Temporal Effects

Cited by 4 publications

References 10 publications

Desarrollo de un modelo de elicitación de emociones a partir de las características de la música

Desarrollo de un modelo de elicitación de emociones a partir de las características de la música

Improving Collaborative Filtering Using JMSD on Implicit Feedback

ENSA dataset: a dataset of songs by non-superstar artists tested with an emotional analysis based on time-series

Contact Info

Product

Resources

About